Nov, 2023

自适应密集伪标签筛选用于半监督导向目标检测

PDF
TL;DR通过设计自适应机制来指导稠密伪标签的选择，提出了一种用于半监督定向目标检测的自适应稠密伪标签选择方法（ADPLS）。该方法在稀缺标记数据情况下，在 DOTA-v1.5 基准测试中表现出色。
dense pseudo-labelsemi-supervised object detectionoriented object detectionadplsfeature-richness score
发现论文，激发创造
  • 密集教师：用于半监督目标检测的密集伪标签

    本文提出基于密集预测的伪标签作为半监督目标检测器的替代方法，即 Dense Pseudo-Label (DPL)，并介绍了区域选择技术，在保留更丰富信息的同时抑制密集标签的噪声，利用 DPL 构建的 Dense Teacher 算法在 COCO 和 VOC 上的性能表现优于基于伪框的方法。

    Jul, 2022

  • 基于密集学习的半监督目标检测

    本研究提出了一种基于 DenSe Learning 的锚点自由的半监督目标检测算法，其中包含自适应过滤策略、聚合型教师以及跨尺度不确定性一致性正则化等多种新技术，与 MS-COCO 和 PASCAL-VOC 等数据集上得到的实验结果表明，该方法在半监督目标检测性能上取得了新的最优结果。

    Apr, 2022

  • 使用单点监督学习遥感目标检测

    本文提出针对遥感领域中单点监督的 PSOD 方法，并采用点标签升级器和稀疏特征引导语义预测模块等技术解决了密集和动态尺度遥感图像中 PSOD 方法的挑战， 在 DOTA 数据集上取得了显著优于现有方法的性能，与基于图像和点级别监督的检测方法相比，缩小了 PSOD 和 BBox 级别监督目标检测之间的性能差距。

    May, 2023

  • 半监督目标检测中伪标签的思考

    本文提出了一种基于置信度的伪标签方法，用于目标检测任务中的半监督目标检测。相较于现有方法，我们的方法可以更好地估计伪标签的分类和定位质量，并根据估计结果调整伪标签产生的阈值和权重，从而缓解类别不平衡和定位精度的问题。我们的实验结果表明，在 COCO 和 PASCAL VOC 数据集上，本方法可以使半监督目标检测的性能提升 1-2% AP，在有限标注的情况下，即使只使用 COCO 的 1-10% 标记数据，我们的方法也能将有监督基线方法的性能提高 10% AP。

    Jun, 2021

  • 改进开放词汇目标检测的伪标签

    通过在线自训练和分割融合头以减少预训练视觉语言模型生成的噪声伪标签并提高开放词汇目标检测性能。

    Aug, 2023

  • 稠密目标检测的抗歧义半监督学习

    提出了一种对抗 Selection ambiguity 和 Assignment ambiguity 的 Ambiguity-Resistant Semi-supervised Learning (ARSL) 方法，使用 Joint-Confidence Estimation 和 Task-Separation Assignment 等技术来提高 Semi-Supervised 目标检测的性能，实验表明该方法取得了最先进的性能。

    Mar, 2023

  • PseCo: 半监督目标检测的伪标注和一致性训练

    本文深入研究了半监督目标检测（SSOD）中的两个关键技术，即伪标记和一致性训练，并提出了针对它们的一些问题的解决方案。在 COCO 基准测试中，我们的方法 PseCo 在 1％、5％和 10％标记比下的性能分别超过了 Soft Teacher 的 2.0，1.8 和 2.0 个点，且 SSOD 的学习效率显着提高。

    Mar, 2022

  • 稀疏化生成：通过点进行弱监督的稀疏伪标签生成

    通过稀疏生成方法和协调计算，提出了一种稀疏伪标签方法，间接获得高质量伪标签，解决了在少量监督注释数据情况下模型密度问题。在三个数据集上的实验证明，该方法在整体性能指标方面具有显著优势。

    Mar, 2024

  • SOOD++：利用无标签数据提升有向物体检测

    通过使用无标签数据提升目标检测器的半监督方法，我们提出了一种简单而有效的半监督定向目标检测方法 SOOD++，该方法在多方向对象和航拍图像方面获得了较好的结果。

    Jul, 2024

  • DASO: 面向语义的分布感知假标签在非平衡半监督学习中的应用

    本文提出了一种基于 Distribution-Aware Semantics-Oriented (DASO) Pseudo-label 的伪标签框架，该框架能够减少分类器的偏差预测，特别是在类不平衡和分布不匹配时，能够可靠地提高半监督学习算法的表现。

    Jun, 2021